Jamest

2019年10月31日

摘要：场感知分解机（Field aware Factorization Machine ，简称FFM）在FM的基础上进一步改进，在模型中引入类别的概念，即field。将同一个field的特征单独进行one hot，因此在FFM中，每一维特征都会针对其他特征的每个field，分别学习一个隐变量，该隐变量不仅阅读全文

posted @ 2019-10-31 15:39 Jamest 阅读(783) 评论(0) 推荐(0)

个性化排序算法实践(一)——FM算法

摘要：因子分解机（Factorization Machine，简称FM）算法用于解决大规模稀疏数据下的特征组合问题。FM可以看做带特征交叉的LR。理论部分可参考 "FM系列" ，通过将FM的二次项化简，其复杂度可优化到$O(kn)$。即： $$ \hat y(x) = w_0+\sum_{i=1}^n 阅读全文

posted @ 2019-10-31 14:20 Jamest 阅读(1724) 评论(0) 推荐(0)

稀疏矩阵在Python中的表示方法

摘要：对于一个矩阵而言，若数值为零的元素远远多于非零元素的个数，且非零元素分布没有规律时，这样的矩阵被称作稀疏矩阵；与之相反，若非零元素数目占据绝大多数时，这样的矩阵被称作稠密矩阵。稀疏矩阵在工程应用中经常被使用，尤其是在通信编码和机器学习中。若编码矩阵或特征表达矩阵是稀疏矩阵时，其计算速度会大大提升。阅读全文

posted @ 2019-10-31 09:43 Jamest 阅读(7113) 评论(0) 推荐(3)

2019年10月30日

个性化召回算法实践(五)——item2vec

摘要： item2vec将用户的行为序列转化成item组成的句子，模仿word2vec训练word embedding将item embedding。基本思想是把原来高维稀疏的表示方式(one_hot)映射到低维稠密的向量空间中，这样我们就可以用这个低维向量来表示该项目(电影)，进而通过计算两个低维向量之间阅读全文

posted @ 2019-10-30 17:37 Jamest 阅读(5639) 评论(3) 推荐(0)

个性化召回算法实践(四)——ContentBased算法

摘要： ContentBased算法的思想非常简单：根据用户过去喜欢的物品（本文统称为 item），为用户推荐和他过去喜欢的物品相似的物品。而关键就在于这里的物品相似性的度量，这才是算法运用过程中的核心。 CB的过程一般包括以下三步：物品表示（Item Representation）：为每个item抽取出阅读全文

posted @ 2019-10-30 11:43 Jamest 阅读(1155) 评论(0) 推荐(0)

个性化召回算法实践(三)——PersonalRank算法

摘要：将用户行为表示为二分图模型。假设给用户$u$进行个性化推荐，要计算所有节点相对于用户$u$的相关度，则PersonalRank从用户$u$对应的节点开始游走，每到一个节点都以$1-d$的概率停止游走并从$u$重新开始，或者以$d$的概率继续游走，从当前节点指向的节点中按照均匀分布随机选择一个节点往下阅读全文

posted @ 2019-10-30 09:44 Jamest 阅读(2159) 评论(7) 推荐(0)

2019年10月29日

个性化召回算法实践(二)——LFM算法

摘要： LFM算法核心思想是通过隐含特征(latent factor)联系用户兴趣和物品，找出潜在的主题和分类。LFM（latent factor model）通过如下公式计算用户u对物品i的兴趣： $$ Preference(u,i) = r_{ui} = {p_u}^T q_i = \sum_{f=1} 阅读全文

posted @ 2019-10-29 17:32 Jamest 阅读(1565) 评论(0) 推荐(0)

个性化召回算法实践(一)——CF算法

摘要：协同过滤推荐（Collaborative Filtering Recommendation）主要包括基于用户的协同过滤算法与基于物品的协同过滤算法。下面，以movielens数据集为例，分别实践这两种算法。 movielens数据集包含四列，【用户ID|电影ID|打分|时间戳】，根据用户的历史评分阅读全文

posted @ 2019-10-29 15:38 Jamest 阅读(2411) 评论(0) 推荐(0)

个性化推荐算法综述

摘要：目前，推荐系统广泛应用于电商、信息流和地图。工业级推荐系统架构一般以召回+推荐作为大框架。其中，以算法区分，如下图所示。离线/线上指标如下图所示：个性化召回算法是根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集，召回决定了最终推荐结果的天花板。个性化召回分为以下几类：基阅读全文

posted @ 2019-10-29 14:37 Jamest 阅读(1366) 评论(1) 推荐(0)

2019年10月25日

Paper Reading:Deep Neural Networks for YouTube Recommendations

摘要：论文：Deep Neural Networks for YouTube Recommendations 发表时间：2016 发表作者：(Google)Paul Covington, Jay Adams, Emre Sargin 发表刊物/会议：RecSys 论文链接： "论文链接" 这篇论文是goo 阅读全文

posted @ 2019-10-25 19:16 Jamest 阅读(1295) 评论(0) 推荐(0)

公告